Perché l'AI inventa le cose e 4 abitudini nei prompt che lo riducono

Il tuo contratto di locazione non ha una clausola sulle penali di ritardo. Chiedi a un chatbot qual è la penale di ritardo, e a volte risponde con una percentuale e una data di scadenza. Sicuro, specifico e inventato.

Questa è un'allucinazione: il modello scrive un testo fluente che è fattualmente sbagliato o non corrisponde al contesto che gli hai dato. La documentazione di Anthropic sulla riduzione delle allucinazioni (pagina consultata il 27 ottobre 2026; non riporta una data di pubblicazione) afferma che anche i modelli più avanzati lo fanno a volte, ed elenca le abitudini che aiutano. Quattro di queste stanno dentro un prompt, e puoi incollarle così come sono qui sotto.

Perché un modello sembra sicuro quando sbaglia#

Un modello linguistico non cerca i fatti. Continua il testo: dato tutto ciò che è stato detto finora, sceglie le parole che più probabilmente vengono dopo. Pensa all'autocompletamento del telefono, solo molto più colto. Quando la risposta vera è qualcosa che il modello ha imparato, le parole probabili e le parole vere coincidono. Quando non lo è, le parole probabili sono comunque fluenti, e fluente suona come sicuro.

Due situazioni spiegano molte delle risposte inventate che incontrerai:

• Il fatto non è nel modello. È accaduto dopo la fine dell'addestramento del modello, oppure si trova nel tuo documento privato che il modello non ha mai visto. Chiedi delle notizie del mese scorso e potresti ottenere una risposta sicura costruita su schemi più vecchi.
• Il fatto manca nel tuo documento, ma la domanda presuppone che esista. Il modello riempie il vuoto. Immagina uno studente che deve scrivere qualcosa per ogni domanda d'esame e non può mai lasciarne una in bianco.

Quattro abitudini che riducono le risposte inventate#

Supponi di aver incollato un contratto di locazione e di voler sapere la penale di ritardo. Questo contratto non ha una clausola sulle penali di ritardo, e sarà il nostro caso di prova da qui in avanti.

1. Consenti "non lo so"#

Un modello che crede che ogni domanda debba avere una risposta la darà. Digli che non è la regola:

If the document doesn't say, answer exactly: "Not stated in the document."
Do not guess.

Anthropic lo elenca come il primo, più semplice passo: dare esplicitamente al modello il permesso di ammettere che non lo sa.

2. Prima cita, poi rispondi#

Per documenti lunghi (la guida di Anthropic traccia la linea a circa 20.000 token, all'incirca 15.000 parole), chiedi citazioni testuali prima di qualsiasi analisi, e fai in modo che la risposta si basi su di esse:

First, copy the sentences relevant to my question, word for word,
under the heading "Quotes". If there are none, write "No relevant quotes."
Then answer using only those quotes.

Il modello deve indicare un testo che c'è davvero prima di concludere qualcosa. Leggere le citazioni ti richiede anche solo cinque secondi.

3. Fai citare, e scarta ciò che non può supportare#

Chiedi una citazione di supporto dopo ogni affermazione, poi fai in modo che il modello si verifichi da solo:

After each claim, put the supporting quote in brackets.
Then re-read your answer: if a claim has no quote, delete it.

Questo è il passo di verifica di Anthropic: nessuna citazione, nessuna affermazione.

4. Limitarlo al testo che gli hai dato#

Use only the document between the <document> tags.
Do not use outside knowledge.

Anthropic elenca tra le sue tecniche avanzate il limitare le conoscenze esterne ai documenti forniti. È anche l'abitudine da copiare se stai costruendo un bot sui tuoi documenti: il bot risponde dalle tue pagine, non dalla memoria.

Prima e dopo su un esempio#

Stesso contratto, stessa domanda, due prompt. Quello a sinistra è come la maggior parte di noi inizia.

Here is my rental agreement:
[agreement text]

What is the late fee?

<document>
[agreement text]
</document>

Question: What is the late fee?

Use only the document above. First copy the relevant
sentences word for word under "Quotes" (or write
"No relevant quotes."). Then answer using only those
quotes, with the quote in brackets after each claim.
If the document doesn't say, answer exactly:
"Not stated in the document."

Il prompt "dopo" è più lungo, e va bene: lo scrivi una volta e lo riusi.

Tutte e quattro le abitudini in una sola richiesta API#

Se chiami un modello tramite l'API, le abitudini vanno nel messaggio di sistema e il tuo documento va nel messaggio utente, racchiuso in tag. Questa richiesta usa l'endpoint compatibile con OpenAI di CheapTokens; la chiave proviene da una variabile d'ambiente, e l'id completo del modello è MiniMaxAI/MiniMax-M2.7 (prendi gli id dalla documentazione di CheapTokens, perché i nomi differiscono tra i provider).

curl https://api.cheaptokens.dev/v1/chat/completions \
  -H "Authorization: Bearer $CHEAPTOKENS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "MiniMaxAI/MiniMax-M2.7",
    "messages": [
      {"role": "system", "content": "Use only the document in the <document> tags. No outside knowledge. First list word-for-word quotes relevant to the question under “Quotes”, or write “No relevant quotes.” Then answer using only those quotes, with the quote in brackets after each claim. If the document does not say, answer: “Not stated in the document.”"},
      {"role": "user", "content": "<document>[paste the agreement here]</document> What is the late fee?"}
    ]
  }'

La risposta è in choices[0].message.content. Se questa è la tua prima chiamata, La tua prima richiesta API con CheapTokens illustra passo dopo passo la chiave e il saldo.

Quanto costa citare#

Citare rende la risposta più lunga, e sulla maggior parte dei modelli la risposta è il lato più costoso di una richiesta (vedi token di input vs output). L'abitudine di citare prima è quindi economica da permettersi ma non gratuita.

Supponi che un rapporto di 40 pagine sia di circa 25.000 token e che le citazioni più la risposta arrivino a circa 1.500. Una richiesta del genere su MiniMax-M2.7 costa $0.0015. La tabella mostra la stessa richiesta su ogni modello, con una colonna OpenRouter, così puoi confrontare in totale, contando insieme input e output:

MiniMax-M2.7 supporta un contesto di 180K e fino a 8.192 token in una risposta a un prezzo fisso a qualsiasi ora, quindi un rapporto da 25.000 token e una lunga risposta citata ci stanno entrambi. I prezzi attuali sono sulla pagina dei prezzi, e i modelli sono descritti nella documentazione.

Cosa non risolvono queste abitudini#

Riducono molto le risposte inventate, ma non le eliminano. Anthropic lo dice direttamente: verifica qualsiasi cosa importante. In un contratto questo significa i numeri, le date e i nomi, confrontandoli con la pagina originale.

Vale la pena conoscere altri due trucchi dalla stessa pagina. Best-of-N: fai la stessa domanda alcune volte e confronta, perché un dettaglio che cambia da un'esecuzione all'altra è un segno che il modello sta indovinando. Una richiesta identica può tornare come una risposta identica, quindi cambia un po' la formulazione o la temperatura (vedi prompt di sistema e temperatura). E una modalità di ragionamento permette al modello di verificare il proprio ragionamento prima di rispondere, il che costa token extra (perché il ragionamento costa di più).